К содержимому
Другое

Propensity One audience

прогноз демографии покупателей по описанию товара

2 мин чтенияобновлено

Компактная исследовательская модель от автора areai51, которая по названию или описанию товара оценивает, какие демографические группы склонны покупать его чаще среднего. В основе лежит энкодер BAAI/bge-small-en-v1.5 на 33M параметров, дообученный на 1,85 млн реальных покупок на Amazon.com за 2018–2022 годы из открытого датасета Open e-commerce 1.0. На выходе модель выдаёт не вероятность покупки, а коэффициент lift (во сколько раз чаще среднего покупателя товар берёт конкретный сегмент). Пригодится маркетологам, продуктовым аналитикам и e-commerce-командам для первичной сегментации англоязычных каталогов без запуска дорогих опросов.

Ключевые особенности

  • Считает lift по шести демографическим признакам: возраст, пол, доход домохозяйства, образование, размер семьи и регион США.
  • Очень лёгкая: всего 33M параметров на базе bge-small-en-v1.5, быстро работает даже на CPU и распространяется под лицензией MIT.
  • В отличие от простых таблиц по категориям Amazon, различает аудиторию даже внутри одной товарной категории (точность парного выбора 0.555 против 0.500 у случайного угадывания).
  • При обучении намеренно исключены чувствительные персональные поля из исходного опроса (раса, здоровье, ориентация и др.), оставлены только базовые соцдем-атрибуты.

Что можно сделать

  • Автоматически тегировать карточки товаров в интернет-магазине или маркетплейсе, выделяя наиболее заинтересованные сегменты по полу и возрасту через метод top_segments().
  • Сравнивать, как разные формулировки названия одного и того же товара смещают целевой профиль аудитории с помощью profile_lift().
  • Встроить модель как быстрый скоринг-фильтр в аналитические пайплайны для оценки больших витрин без использования тяжелых LLM.

Пример

from huggingface_hub import snapshot_download
import sys
path = snapshot_download("areai51/propensity-one-audience")
sys.path.insert(0, path)
from propensity_one_audience import PropensityOneAudience

model = PropensityOneAudience(path)
print(model.lift("RGB mechanical gaming keyboard")["age"])
print(model.top_segments("Anti-aging retinol night cream for mature skin"))
ПодробнееТест на 510 покупателях и 15 552 новых товарных семействах: точность выбора купленного товара из пары — 0.616 (на одиночных аккаунтах — 0.638, случайный уровень — 0.500).
Сильнее всего модель предсказывает пол (AUC 0.641) и возраст (AUC 0.577); признак региона сигнала практически не несёт (AUC 0.515).
Ограничения: обучена только на данных панели покупателей Amazon в США (2018–2022) и требует предметного названия товара — абстрактные рекламные слоганы без сути продукта дают lift около 1.
Обсудить Telegram 0 23

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # areai51/propensity-one-audience
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download areai51/propensity-one-audience --local-dir ~/models/propensity-one-audience
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к propensity-one-audience
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

BAAI/bge-small-en-v1.5

Новые посты про версии bge-small-en-v1.5 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

areai51/propensity-one-audience
Автор
areai51
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

230

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии